我们提出了一种基于可标注效率的对比学习模型（LECL），用于检测和分类3D免疫荧光图像中的细胞核。该方法克服了使用点注释进行训练时的困境，并解决了多个z堆叠帧引起的问题。实验结果表明，该框架在检测和分类3D免疫荧光图像中的细胞核方面是有效且高效的。

该研究发现图表示学习中存在社区偏见放大现象，导致性能偏见。通过随机图粗化对比学习模型解决该问题，并在实验证明了其优势。

本文提出了一种基于本地与全局历史信息的对比学习模型(LogCL)，用于时态知识图推理。该模型通过实体感知注意机制捕捉与查询相关的关键历史信息，并设计了四种历史查询对比模式，提高了模型的鲁棒性和预测性能。实验结果表明，LogCL相较于现有基准模型取得了更好且更鲁棒的性能。